<\/HEAD>
LAS Point Clouds-gegevens kunnen nauwkeurig en betrouwbaar zijn, ALLEEN wanneer er tijdens de acquisitie en verwerking in de operatie strenge kwaliteitscontrole-standaarden worden gevolgd. <\/SPAN><\/P><\/P>LiDAR acquisitie<\/SPAN> systemen die in staat zijn lidar<\/SPAN> data<\/SPAN> met voldoende nauwkeurigheid over een reeks hoogtes vast te leggen, zouden vereist moeten zijn. Met een goed acquisitieplan bedient hooggekwalificeerd veldpersoneel bestaande uit professionele erkende landmeters, erkende piloten en LiDAR-technici het systeem om kwaliteitsresultaten van elke vlucht te garanderen die aan de projectvereisten voldoen.<\/SPAN><\/P><\/P>Over het algemeen betekent laser data verwerking talrijke 'strenge' werkstappen. <\/SPAN><\/P>
Typische stappen in hun verschillende werkvolgorde zijn als volgt:<\/SPAN><\/P>Werken met trajecten; <\/SPAN>
Verdelen van data in kleinere geografische regio's (blokken); <\/SPAN>
Klassificeren van punten op echo; <\/SPAN>
Afleiden van lijnnummers naar punten; <\/SPAN>
Klassificeren van grondpunten afzonderlijk na elke vluchtlijn; <\/SPAN>
Meten van de overeenstemming van overlappende stroken; <\/SPAN>
Oplossen van heading, roll en pitch voor de gehele dataset; <\/SPAN>
Visuele verificatie van correcties; <\/SPAN><\/P>Knippen van overlappende puntstroken; <\/SPAN>
Klassificeren van grondpunten terug naar standaardinstelling; <\/SPAN>
Starten met de definitieve classificatie naar grond-, vegetatie-, gebouwklassen enz.<\/SPAN> <\/SPAN><\/P>
In de praktijk moet de data worden verdeeld in kleinere blokken van ongeveer 5-10 miljoen punten, vanwege de beperkingen van huidige besturingssystemen en rekenkracht. <\/P>
Verwijder nooit punten, voeg geen punten toe of wijzig de hoogte van punten in LAS-data wanneer u werkt in het LAS-formaat. Specialisten voorzien elk punt alleen van verschillende vlaggen die attributen of kenmerken van dat punt weergeven. Meestal worden returns op verschillende manieren gemarkeerd: op returnnummer, op laag of op typeklasse. <\/P><\/P>Returnnummer is simpelweg eerste, tweede, derde, vierde enzovoort, afhankelijk van het aantal returns dat door de specifieke sensor is geregistreerd (bijlage - Major LiDAR Sensors). <\/SPAN>Laag heeft betrekking op returnnummer maar maakt een stap richting hoogteclassificatie. In het LAS-formaat kunnen classtypen correct worden geclassificeerd, zelfs gebruikersgedefinieerd (bijlage – LAS 1.4). <\/SPAN>Als het eindresultaat van het project is om een naakte aarde terreinmodel te produceren, worden de volgende categorieën aanbevolen:<\/SPAN><\/P>Naakte grond (terrein); <\/SPAN><\/LI>Kenmerken boven de grond (inclusief gebouwen, boomkronen, auto's, palen, bruggen); <\/SPAN><\/LI>Water; en <\/SPAN><\/LI>Ruis<\/SPAN><\/LI><\/UL><\/UL>
Ruisverwijdering<\/STRONG>
De allereerste stap in de nabewerking is het identificeren en elimineren van ruispunten, dit zijn extreem hoge of lage punten buiten het bereik van realistische hoogtes voor het projectgebied. Anomalistisch hoge punten kunnen veroorzaakt worden door atmosferische aerosolen, vogels of laagvliegende vliegtuigen; lage punten kunnen veroorzaakt worden door laser multipath. Hoewel ruispunten waarschijnlijk later door geautomatiseerde filtering worden verwijderd, is het meestal voordelig ze nog eerder in de verwerkingsworkflow te verwijderen. Veel softwarepakketten gebruiken de absolute minimum- en maximumhoogtes in een dataset als basis voor het toewijzen van een schaal voor kleur-op-hoogte symbologie. <\/P>
Ruispunten zorgen ervoor dat het hoogtebereik in gebieden van echte interesse wordt samengedrukt binnen de kleurschaal. Naast een eenvoudige bandfilter met hoge en lage limieten om deze punten als ruis te classificeren (wat Klasse 7 - Laag Punt (ruis) is in het LAS-formaat), moeten remote sensing specialisten geavanceerde algoritmen gebruiken om ruis te minimaliseren, inclusief handmatige bewerking. <\/P>
Zodra gelabeld kunnen ruispunten door software genegeerd worden voor weergavedoeleinden en bij analytische berekeningen, inclusief feature-extractie.<\/P>
<\/P>
Handmatige classificatie<\/STRONG>
Zoals bekend kan geautomatiseerde filtering bij juiste toepassing ongeveer 90% van de grondpunten in een LiDAR point cloud effectief classificeren. De resterende circa 10% van de punten moet visueel worden geïnspecteerd en handmatig geclassificeerd worden, wat menselijke interactie met de data vereist, vertrouwdheid met het landschapsonderwerp en kennis van fundamentele cartografische principes, conventies,"best practice" en hoge-resolutie optische beelden (luchtfoto's, GeoEye, QuickBird, Pleiades) met geavanceerde Lidar-pakketten zoals TerraScan, ENVI LiDAR, Leica CloudPro (Leica XPro, Leica Cyclone), of ERDAS LPS (point cloud).
In die LAS point cloud verwerkingspakketten worden handmatige bewerkings- en classificatietechnieken geïntroduceerd om de nauwkeurigheid en betrouwbaarheid van data te verbeteren, vooral wanneer LAS-data niet geclassificeerd zijn volgens de nieuwste LAS-standaard. Dit type techniek genaamd 'Classify on Point Cloud' is ontwikkeld en wordt toegepast binnen geaccepteerde cartografische conventies en praktijken.<\/FONT>
Bijvoorbeeld laat Point Cloud Classify ons point clouds classificeren op basis van parameters die objecten definiëren (door mensen gemaakte structuren) en vegetatie omvatten DTM-, City Model- (gebouwen) en Canopy model (lagere vegetatie, middelhoge vegetatie, hogere vegetatie). Zie ook het artikel getiteld 'CLASSIFICATION OF LIDAR POINT CLOUD AND GENERATION OF DTM FROM LIDAR HEIGHT AND INTENSITY DATA IN FORESTED AREA'.<\/P>
De parameters voor vegetatie omvatten een hoogte- en groenheidscriterium. Het groenheidscriterium is alleen toepasbaar op Point Clouds die RGB-informatie bevatten (hieronder).<\/P>
RGB-gecodeerde Puntenbeelden, na hoogwaardige gecontroleerde Acquisitie en Verwerking <\/SPAN><\/P>(Nauwkeurige en Betrouwbare LAS Punten, klaar voor Geospatiale en G&G toepassingen)<\/SPAN><\/P>
Als het eindresultaat van handmatige bewerking en classificatie een gedetailleerd naakte-aarde terreinmodel (DTM) is, betekent dit dat die gegevens zijn gecontroleerd op volledigheid en het ontbreken van artefacten.<\/SPAN><\/P>
Als de eindproducten 3D feature clouds bevatten, moeten geavanceerde fotorealistische rendering- en 3D-modelleringstechnieken worden toegepast op die 3D-puntenwolken om realistische weergaven en 3D-analyse te creëren.<\/SPAN><\/P><\/SPAN><\/P>Voor stadsmodellering kunnen 3D features (gebouwen, boomkronen, hoogspanningslijnen, tanks, auto's, palen, bruggen) worden geclassificeerd en gemodelleerd.<\/SPAN><\/P>Ten slotte kunnen LiDAR intensiteitsgegevens ook worden gebruikt om features te extraheren, vergelijkbaar met rasterbeelden (zie de slides van Bill)...<\/SPAN><\/P><\/SPAN><\/P>
<\/SPAN><\/P>
<\/SPAN><\/P>Fotorealistische Rendering van Puntenwolken voor Visualisatie en 3D Modellering<\/SPAN><\/P>
++++++++++++<\/SPAN><\/P>
Het LAS-bestandsformaat is een binair bestandsformaat dat informatie behoudt die specifiek is voor de LiDAR-natuur van de gegevens zonder overdreven complex te zijn (http:\/\/www.asprs.org\/Committee-General\/LASer-LAS-File-Format-Exchange-Activities.html<\/A>) . <\/SPAN> <\/P> Houd er rekening mee dat LAS-wolken ook kunnen worden gegenereerd uit stereo-paar optische beelden, naast LiDAR<\/SPAN>.<\/SPAN> <\/SPAN> <\/P> <\/BODY> <\/HTML>
